Environment-Centric Learning Approach for Gait Synthesis in Terrestrial Soft Robots
作者: Caitlin Freeman, Arun Niddish Mahendran, Vishesh Vikas
分类: cs.RO
发布日期: 2024-02-06 (更新: 2025-02-13)
备注: Accepted by the IEEE Transactions on Robotics (T-RO) (19 pages, 18 figures, 9 tables). Accompanying video (multimedia attachment) can be accessed at https://www.youtube.com/watch?v=ujxK8EWahjg
💡 一句话要点
提出环境中心学习方法以合成陆地软机器人步态
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 软机器人 步态合成 概率无模型控制 环境学习 二进制整数线性规划 数据驱动方法 机器人控制
📋 核心要点
- 现有方法在软机器人步态合成中面临建模困难和缺乏数学框架的挑战。
- 论文提出了一种概率无模型控制框架，利用环境数据驱动学习合成步态。
- 实验结果表明，步态合成显著提高了机器人的平移和旋转速度，分别提升82%和97%。
📝 摘要（中文）
步态是控制软陆地机器人的基础，但由于机器人与环境的交互建模困难以及缺乏数学框架，步态合成面临挑战。本文提出了一种环境中心、数据驱动且容错的概率无模型控制框架（pMFC），使得软多肢机器人能够从环境中学习并合成多样化的步态，以实现开环控制。通过离散化主导机器人与环境交互的因素，构建了环境特定的图形表示，其中边缘编码了与机器人运动原语对应的实验步态数据。步态合成被形式化为二进制整数线性规划（BILP）问题，实验结果显示，步态合成在不同的机器人-环境交互下，平均提高了82%的平移速度和97%的旋转速度。
🔬 方法详解
问题定义：本文旨在解决软陆地机器人步态合成中的建模困难和缺乏数学框架的问题。现有方法在处理机器人与环境的复杂交互时存在显著不足。
核心思路：提出了一种环境中心的概率无模型控制框架（pMFC），通过数据驱动的方法使机器人能够从环境中学习并合成多样化的步态，以实现更高效的开环控制。
技术框架：整体架构包括环境特定的图形表示，边缘编码实验步态数据，步态合成被形式化为二进制整数线性规划（BILP）问题，包含线性化成本函数和线性约束。
关键创新：最重要的创新在于通过图形表示和BILP方法实现步态合成，克服了传统方法在建模和控制上的局限性，特别是在处理不对称性和环境交互时的灵活性。
关键设计：关键设计包括对机器人形态（如三肢和四肢机器人）、基底（如橡胶垫、白板和地毯）及执行器功能（如模拟失效）等变量的系统考虑，确保步态合成的适应性和有效性。
🖼️ 关键图片
📊 实验亮点
实验结果显示，步态合成在不同的机器人-环境交互下，平均提高了82%的平移速度和97%的旋转速度，表明数据驱动方法在软机器人步态控制中的重要性，尤其是在应对系统不对称性时的有效性。
🎯 应用场景
该研究的潜在应用领域包括软机器人在复杂环境中的自主导航、救援任务及探索等。通过提高步态合成的效率和适应性，未来可在更多实际场景中实现软机器人的广泛应用，推动机器人技术的发展。
📄 摘要（原文）
Locomotion gaits are fundamental for control of soft terrestrial robots. However, synthesis of these gaits is challenging due to modeling of robot-environment interaction and lack of a mathematical framework. This work presents an environment-centric, data-driven and fault-tolerant probabilistic Model-Free Control (pMFC) framework that allows for soft multi-limb robots to learn from their environment and synthesize diverse sets of locomotion gaits for realizing open-loop control. Here, discretization of factors dominating robot-environment interactions enables an environment-specific graphical representation where the edges encode experimental locomotion data corresponding to the robot motion primitives. In this graph, locomotion gaits are defined as simple cycles that are transformation invariant, i.e., the locomotion is independent of the starting vertex of these periodic cycles. Gait synthesis, the problem of finding optimal locomotion gaits for a given substrate, is formulated as Binary Integer Linear Programming (BILP) problems with a linearized cost function, linear constraints, and iterative simple cycle detection. Experimentally, gaits are synthesized for varying robot-environment interactions. Variables include robot morphology - three-limb and four-limb robots, TerreSoRo-III and TerreSoRo-IV; substrate - rubber mat, whiteboard and carpet; and actuator functionality - simulated loss of robot limb actuation. On an average, gait synthesis improves the translation and rotation speeds by 82% and 97% respectively. The results highlight that data-driven methods are vital to soft robot locomotion control due to the significant influence of unexpected asymmetries in the system and the dependence of optimal gait sequences on the experimental robot-environment interaction.